明敏发自凹非寺
量子位公众号 QbitAI
芯片加速 AI 发展，AI 反过来又推动芯片进步？
刚刚，谷歌芯片设计算法 AlphaChip 正式亮相。
DeepMind CEO 哈萨比斯调侃：这下闭环了。
训练最好的芯片设计算法→用它设计更好的 AI 芯片→用它们训练更好的模型→再设计更好的芯片→……
要知道，AlphaChip 只需几个小时就能生成比肩人类水平的芯片设计图。
谷歌目前最强 TPU“Trillium”，AlphaChip 就参与了设计，而 TPU 又训练了 Gemini、Imagen、Veo 等新算法。
以及联发科、三星等芯片厂商，也都将其用到了实际生产中。
这不，最近处在转型逆风期的英特尔深陷并购风波。于是网友给出主意：要不谷歌把英特尔买了吧。
谷歌表示 AlphaChip 现在不仅速度更快，而且需要的计算资源更少，已经达到人类专家级水平。
最新发布中，谷歌还开源了一个预训练版本，这样大家都能用 AlphaChip 更简易地开发芯片（但也还是自己预训练的效果更好）。
围观群众都相当兴奋：
这真的是超酷的贡献，对于工程领域很重要。
几个小时搞定 AI 芯片设计
向前追溯来看，AlphaChip 最早期的成果于 2020 年以预印本形式发布，2021 年登上 Nature。
但直到今天谷歌才给它了一个正式的名字。Jeff Dean 是作者之一。
AlphaChip 和 AlphaGo、AlphaZero 的原理相似，都是基于深度强化学习。
AlphaZero 掌握了围棋、国际象棋的游戏规则，AlphaChip 就是将规划芯片布局视为一个游戏。
一个芯片上往往包含数十亿个晶体管，由他们组成的数千万个逻辑门就是标准单元，此外还有数千个存储块，称为宏块。
芯片设计就是要确定它们的位置，如何布局将影响芯片的处理速度和电源效率。
传统方法中，光是放置宏块这一步就很耗时了，为了给标准单元留出更多空间，每一次迭代都要几天甚至几周时间。
AlphaChip 基于深度强化学习，从之前的芯片布局中进行学习，生成新的设计方案。
它将宏和标准单元映射到一个平面画布上，形成具有数百万到数十亿节点的“芯片网表”。
从一个空白格开始，一次放置一个电路元件，直到放置完所有元件。算法会对功率、性能和面积（PPA）等进行优化，并输出概率分布。最终将根据布局质量计算奖励。
利用一种新型的基于边缘（edge-based）的图神经网络 AlphaChip 可以学习互联芯片组件之间的关系，并应用在芯片之间，所以 AlphaChip 能对设计的每个布局进行改进。
下图中，左图为零样本下 AlphaChip 布局开源 Ariane RISC-V CPU 的结果，右图为基于预训练策略（设计 20 个 TPU）微调的效果。
经过迭代，目前 AlphaChip 设计芯片的效果和速度都较此前有明显提升，达到和人类专家相近水平。
谷歌列举了 AlphaChip 在参与设计 TPU v5e、TPU v5p、Trillium 上的效果，它们分别是目前谷歌最先进的三款 AI 计算芯片。
AI 设计芯片正在成为新范式
值得一提的是，AlphaChip 团队此前还陷入过打假风波。
谷歌大脑员工 Satrajit Chatterjee 在内部质疑该团队发表在 Nature 上的论文中存在一些站不住脚、实验尚未经过充分的测试。2022 年 3 月，该研究员被谷歌解雇。
（一个猜测：这或许也是 AlphaChip 迟迟没有正式发布的原因之一？）
不过，用 AI 设计芯片，不只是谷歌在搞。
英伟达的 H100，也有 AI 参与设计。
通过利用深度强化学习 agent 设计电路，H100 中有近 13000 条电路由 AI 设计。
更早之前，三星也被曝用新思科技的 DSO.ai 来设计 Exynos 处理器。
当时新思还很得意表示，DSO.ai 是第一个用于处理器设计的商业 AI 软件。
以及生成式 AI 大潮下，Cadence 也在力推 AI 设计芯片，推出了 Optimization AI 方案。而且还有 Cadence Copilot，利用大语言模型（LLM）和其他基础模型，显著提升工程师的生产力。
参考链接：
[1]https://deepmind.google/discover/blog/how-alphachip-transformed-computer-chip-design/
